• 대한기계학회:학술대회논문집
• /
• 대한기계학회 2001년도 춘계학술대회논문집B
• /
• pp.724-729
• /
• 2001

This paper discusses the composition of the theory of reinforcement learning, which is applied in real-time learning, and evolutionary strategy, which proves its the superiority in the finding of the optimal solution at the off-line learning method. The individuals are reduced in order to learn the evolutionary strategy in real-time, and new method that guarantee the convergence of evolutionary mutations are proposed. It possible to control the control object varied as time changes. As the state value of the control object is generated, applied evolutionary strategy each sampling time because the learning process of an estimation, selection, mutation in real-time. These algorithms can be applied, the people who do not have knowledge about the technical tuning of dynamic systems could design the controller or problems in which the characteristics of the system dynamics are slightly varied as time changes. In the future, studies are needed on the proof of the theory through experiments and the characteristic considerations of the robustness against the outside disturbances.

• 융합정보논문지
• /
• 제12권1호
• /
• pp.39-44
• /
• 2022

본 연구의 목적은 딥러닝 알고리즘을 이용하여 영상 내 객체의 종류, 위치, 절대 크기를 추출하고, 객체간 상대적 거리를 예측하며, 이를 이용하여 객체 간의 접촉을 감지하기 위한 내용이다. 객체의 크기 비율을 분석하기 위하여, CNN 기반의 Object Detection 알고리즘인 YOLO를 이용한다. YOLO 알고리즘을 통하여 2D 형태의 이미지에서 각 개체의 절대적인 크기와 위치를 좌표의 형태로 추출한다. 추출 결과는 사전에 저장된 동일한 객체의 명칭과 크기를 가지는 표준 객체-크기 리스트로부터 영상 내 크기와 실제 크기 간의 비례를 추출하며, 영상 내 카메라-객체 간의 상대적인 거리를 예측한다. 예측된 값을 바탕으로 영상에서 객체 간 접촉 여부를 감지한다.

• 한국음향학회지
• /
• 제13권6호
• /
• pp.83-90
• /
• 1994

본 논문에서는 코호넨(Kohonen)의 SOFM (Self-Organizing Feature Map) 알고리즘의 단점을 해결하기 위한 새로운 학습 알고리즘 ASOFM(Adaptive Self-Organized Feature Map)을 제안한다. 코호넨의 학습 알고리즘은 초기화된 연결 벡터에 대하여 극소점에 빠지는 경우도 있다. 그러나 제안된 알고리즘에서는 학습과정중에 네트워크의 상태를 평가할 수 있는 목적함수(object function)을 사용하였고, 이 함수의 출력에 따라 학습의 각 시점에서 적응적으로 학습률의 재조정이 가능하였다. 이 결과, 네트워크의 상태가 최소점에 수렴함이 보증 되고 학습률의 적응성에 의해 임의의 학습패턴에 대한 학습의 일반화 능력이 보장되었다. 또한 제안된 알고리즘은 코호넨의 알고리즘보다 약 $70\%$이상의 학습시간을 단축한다.

• 정보교육학회논문지
• /
• 제12권4호
• /
• pp.395-404
• /
• 2008

초등학교 수학과 입체도형 학습은 구체물을 활용한 구체적 조작을 통해서 추상적인 입체도형을 직관적으로 이해하도록 돕는 다양한 활동이 필요하다. 입체도형 학습에 있어 구체물의 활용은 효과적이지만, 구체물에서는 확인이 어려운 전개도나 다양한 형태의 입체도형 등은 컴퓨터의 반구체물을 활용하는 것이 효과적이다. 또한 컴퓨터를 활용하게 되면 방과 후에도 같은 학습 자료를 학생들이 활용할 수 있어서 구체물을 활용한 학습의 한계를 보완할 수 있다. 본 연구에서는 플렉스와 플래시를 개발도구로 사용하여 초등학생 수준에서 쉽게 조작하고 사용할 수 있도록 학습 어플리케이션을 개발하였다. 본 연구에서 개발한 입체도형 학습 어플리케이션 활용을 통해 학생들의 직관적이고 자유로운 탐색 및 구체물의 보완, 학습 흥미유발 등의 효과가 기대된다.

• 한국BIM학회 논문집
• /
• 제11권2호
• /
• pp.24-32
• /
• 2021

Recently, starting with smart construction research, interest in technology that automates construction site management using artificial intelligence technology is increasing. In order to automate construction site management, it is necessary to recognize objects such as construction equipment or workers, and automatically analyze the relationship between them. For example, if the relationship between workers and construction equipment at a construction site can be known, various use cases of site management such as work productivity, equipment operation status monitoring, and safety management can be implemented. This study derives a real-time object detection platform architecture that is required when performing construction site management using deep learning technology, which has recently been increasingly used. To this end, deep learning models that support real-time object detection are investigated and analyzed. Based on this, a deep learning model development process required for real-time construction site object detection is defined. Based on the defined process, a prototype that learns and detects construction site objects is developed, and then platform development considerations and architecture are derived from the results.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 추계학술대회
• /
• pp.44-46
• /
• 2021

실생활에는 많은 카메라가 활용되고 있으며 단순한 추억을 위한 사진 촬영을 넘어서 문제 상황을 확인하기 위하여 감시, 방범을 위하여 많이 사용되고 있다. 이러한 감시와 방범은 일반적인 형태로 단순한 저장으로만 사용되고 있으며, 다수의 카메라를 활용하는 시스템에서는 추가 기능을 활용하는 것은 하드웨어의 추가적인 사양을 요구하게 된다. 본 논문에서는 일반적인 이미지 처리에서 벗어난 객체 감지 시스템을 수행하는 하나의 하드웨어 또는 서버에서 입력된 여러 개의 이미지 입력 처리하기 위해 이미지 입력 방법과 객체 감지 이후 처리 프로세스를 추가한다. 방법의 수행은 딥러닝을 수행하는 하드웨어의 학습과 추론에 모두 활용해 보며 개선된 이미지 처리 프로세스를 수행할 수 있도록 한다.

• 한국방사선학회논문지
• /
• 제15권1호
• /
• pp.15-20
• /
• 2021

전산화단층촬영은 질병 진단 등 의료분야에 중요한 역할을 담당하고 있지만, 검사 건수 및 검사 별 영상 증가가 지속되고 있다. 최근 의료분야에 딥러닝 이용이 활발히 이루어지고 있으며, 의료영상을 이용한 딥러닝 중 객체 검출을 통해 보조적 질병 진단에 활용되고 있다. 본 연구는 객체 검출 딥러닝 중 YOLOv3 모델을 이용하여 복부 CT 중 콩팥과 척추를 검출하여 정확도를 평가하고자 한다. 연구 결과 콩팥과 척추의 검출 정확도는 83.00%와 82.45% 였으며, 이를 통해 딥러닝을 이용한 의료영상 객체 검출에 대한 기초자료로 활용될 수 있을 것이라 사료된다.

• International Journal of Control, Automation, and Systems
• /
• 제5권5호
• /
• pp.570-576
• /
• 2007

This paper presents a hexagon-based Q-leaning algorithm to find a hidden targer object with multiple robots. An experimental environment was designed with five small mobile robots, obstacles, and a target object. Robots went in search of a target object while navigating in a hallway where obstacles were strategically placed. This experiment employed two control algorithms: an area-based action making (ABAM) process to determine the next action of the robots and hexagon-based Q-learning to enhance the area-based action making process.

• 한국멀티미디어학회논문지
• /
• 제25권10호
• /
• pp.1524-1534
• /
• 2022

This study proposes the classification model of Minhwa genre based on object detection of deep learning. To detect unique Korean traditional objects in Minhwa, we construct custom datasets by labeling images using object keywords in Minhwa DB. We train YOLOv5 models with custom datasets, and classify images using predicted object labels result, the output of model training. The algorithm consists of two classification steps: 1) according to the painting technique and 2) genre of Minhwa. Through classifying paintings using this algorithm on the Internet, it is expected that the correct information of Minhwa can be built and provided to users forward.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2022년도 추계학술대회
• /
• pp.88-90
• /
• 2022

Semi Supervised Learning 은 일부의 data 에는 labeling 을 하고 나머지 data 에는 labeling 을 안한채로 학습을 진행하는 방법이다. Object Detection 은 이미지에서 여러개의 객체들의 대한 위치를 여러개의 바운딩 박스로 지정해서 찾는 Computer Vision task 이다. 당연하게도, model training 단계에서 사용되는 data set 의 크기가 크고 객체가 많을 수록 일반적으로 model 의 성능이 좋아 질 것이다. 하지만 실험 환경에 따라 data set 을 잘 확보하지 못하던가, 실험 장치가 데이터 셋을 감당하지 못하는 등의 문제가 발생 할 수 있다. 그렇기에 본 논문에서는 semi supervised learning based object detection model 을 알아보고 data set 의 크기를 조절해가며 modle 을 training 시킨 뒤 data set 의 크기에 따라 성능이 어떻게 변화하는 지를 알아 볼 것이다.